KLIMENT, J. Metody komparace záznamů elektroencefalografu [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2020.
Student Juraj Kliment se ve své práci věnoval metodám pro diferenciaci elektroencefalogramů. Práce je dobře strukturovaná a splňuje zadání. Vlastní práce studenta spočívá ve výběru vhodných parametrů k diferenciaci elektroencefalogramů a ve využití již hotových funkcí pro jejich výpočet. V práci ale chybí popis nastavení parametrů těchto funkcí. Student si vybral databázi EEG signálů obsahující záznamy probandů v klidu a při mentální zátěži, což je pro účely splnění zadání výborná volba. Metodika jejich analýzy je však nestandardní a v práci chybí její zdůvodnění. Konkrétně student filtroval EEG záznamy tak, aby nejprve získal obsahovou složku v pásmu afta a beta, a podruhé jenom v pásmu beta. Zdůvodnil ale filtraci jen pro pásmo beta, takže není jasné, co sledoval analýzou obsahu EEG záznamu v pásmu alfa i beta. Nestandardní je také postup, kdy filtruje EEG záznam tak, aby obsahoval současně pásmo alfa i beta, místo aby tato pásma zpracovával odděleně a hodnotil pak jejich poměr. Dále není zřejmé, co vedlo studenta k výběru konkrétních pěti elektrod z množiny elektrod systému 10 - 20. Student totiž provedl analýzu EEG pro pětici vybraných elektrod ze systému 10-20, nicméně do této pětice vybral pro různé metody zpracování dat odlišné elektrody. Konkrétně použil pro nefiltrovaná data elektrody převážně z frontální oblasti, a pro filtrovaná data elektrody převážně z okcipitální a parietální oblasti. Student tento výběr zdůvodňuje větou “výberom týchto elektród bolo očakávané presnejšie roztriedenie signalov”, ale nevyjadřuje se k tomu, proč projevy mentální zátěže při aritmetických operacích, jenž se typicky manifestují v beta pásmu ve frontální oblasti, zkoumá v tomto pásmu v okcipitální a parietální oblasti, stejně jako se nevyjadřuje k tomu, proč ve frontální oblasti zkoumá tyto projevy v celém pásmu EEG místo v pásmu beta, jenž by bylo pro analýzu projevů mentální zátěže vhodné. Není také jasné, co vedlo k výběru elektrod F7 a C4 a současně k nepoužití jejich symetrických dvojic. Statistické zpracování výsledků obsahuje několik nedostatků. Pro hodnocení normality dat se používají statistické testy (např. Shapirův-Vilkův), které jsou schopné vyhodnotit, zda mají data normální rozložení. Student toho vyhodnocení nahradil zobrazením histogramu hodnot, jímž lze normálnost rozložení alespoň přibližně odhadnout, a konstatoval, že “dáta túto podmienku … splnili”. Z práce není jasné, jakým způsobem student histogramy hodnotil a zda použil nějaké objektivní kritérium při posuzování jejich tvarů. Dále není jasné, proč student při jednom z výpočtů statistické významnosti použil celé spektrum EEG pro souhrn všech pěti elektrod. Krabicovými grafy by bylo vhodnější vyjádřit hodnoty z každé elektrody zvlášť, smícháním dat ze všech pěti elektrod došlo k nekorektnímu navýšení rozptylu dat, které ovlivnilo výpočet statistických veličin i zobrazení krabicového grafu. Souhrnné vyhodnocení výsledků v kapitolách 6.6.1 až 6.6.4 je srozumitelné a dosažené výsledky vybízí k úvaze, proč studentovi vyšly vlastní výsledky odlišně od teoretických předpokladů. Odpověď je však vágní a neuspokojivá. Student nízkou úspěšnost vysvětluje mimo jiné tím, že ji mohla ovlivnit nesprávná předpříprava dat, množství šumu či nežádoucí úseky v signálu, ale žádný z těchto fenoménů v práci nekoriguje ani ověřuje na reálných datech. Student v závěru nesmyslně srovnává typickou úspěšnost klasifikačních přístupů s vlastními výsledky, přičemž klasifikaci nerealizoval a prováděl pouze diferenční analýzu parametrů. Kromě správné úvahy o tom, že dosažené vlastní výsledky nejsou pro rozlišení klidu a mentální zátěže v EEG záznamech použitelné, však závěr práce nic podstatného nepřináší a ústí do nerelevantní futuristické vize. Formální zpracování práce je průměrné. Rovnice nejsou číslovány a tudíž odkazovány z textu práce. Student nejednotně používá české i anglické ekvivalenty. Blokový diagram na obrázku 5.1 byl rozšířen (oproti stavu závěrečné práce při regulérním termínu obhajoby) o bloky filtrací, ale díky ponechání původních šipek ztratil jednoznačnost postupu zpracování EEG dat. Tabulky v kapitole 6.6 i tabulky s vlastními výsledky jsou obrázkem, místo tabulkou, a jsou tak dokonce popsány v legendě. Práce s literaturou je výborná, výčet literatury je dostatečný a její položky jsou relevantní. Přestože student v průběhu semestru několikrát koordinoval postup prací se svým vedoucím, začal se intenzivně věnovat jádru své závěrečné práce až koncem semestru. Práci proto s přihlédnutím ke zmíněným nedostatkům hodnotím stupněm E a 55 body.
Student Juraj Kliment se ve své práci věnuje metodám vhodným pro porovnání EEG signálů snímaných za různých podmínek. Předložená práce je přepracovanou verzí původní práce, jejíž hlavním nedostatkem bylo použití nevhodně zvolených postupů pro analýzu EEG dat. Práce má logicky členěnou strukturu a začíná přehledem metod používaných pro analýzu EEG. Student se zaměřuje na nelineární metody, které jsou náročné na pochopení. Vybrané metody přehledně popisuje s využitím dostatečného množství odborných zdrojů. Tato část obsahuje relevantní ilustrační obrázky a několik konkrétních případů využití vybraných nelineárních parametrů EEG. V praktické části byly odvozeny a statisticky vyhodnoceny 4 nelineární EEG parametry s využitím reálných záznamů z veřejně dostupné databáze. Bohužel musím konstatovat, že většina závažných nedostatků původní práce nebyla odstraněna ani v této přepracované verzi. Nové kroky podniknuté studentem nepřispívají k celkovému zlepšení kvality práce. Na rozdíl od povedené teoretické části, kde je vidět snaha studenta, praktická část svědčí o velmi povrchním, nedůsledném přístupu studenta při řešení zadání. Hlavní vylepšení oproti původní verzi mělo dle všeho spočívat v analýze dílčích frekvenčních pásem EEG a statistickém vyhodnocení dat pocházejících z různých EEG kanálů. Pro separaci jednotlivých frekvenčních rytmů student využil defaultně nastavenou funkci ‚bandpass‘ dostupnou v Matlabu. Z odevzdaného kódu i z textu práce se domnívám, že student nezjistil, který konkrétní filtr použil (jestli FIR či IIR, případně s jak dlouhou impulzní charakteristikou aj.), a neotestoval jeho vlastnosti ani jeho funkčnost. Pomocí filtrace vybral z EEG zvlášť beta pásmo a beta pásmo rozšířené o frekvence alfa. Výběr těchto konkrétních pásem přitom nijak nevysvětlil. Dále odvodil parametry z nefiltrovaných a filtrovaných dat, přičemž pro první skupinu využil signály z frontálních elektrod, zatímco pro dvě další použil signály z jiných elektrod. Výsledky tak nejsou konzistentní. Rozdělení hodnot odvozených EEG parametrů mělo být prezentováno krabicovými grafy, vykreslenými zvlášť pro každý kanál. Normalita rozdělení dat může být v zjednodušené podobě otestována pomocí histogramů, jak je tomu v uvedeném případě. Ukázky histogramů ovšem měly být v práci uvedeny nebo alespoň odevzdány spolu s dalšími přílohami. Statistické porovnání dat naměřených v klidu a při řešení výpočetní úlohy bylo provedeno pro každý EEG kanál zvlášť, v souladu s předchozími náměty vedoucího i oponenta. Ovšem v práci jsou uvedeny i výsledky původní analýzy (pro všechny kanály dohromady), které jsou většinou v rozporu s výsledky pro jednotlivé kanály. Ponechání těchto nekorektních výsledků v textu vede ke zbytečnému zhoršení jeho přehlednosti a srozumitelnosti. Mezi další nedostatky patří např. nekorektní blokové schéma použitého postupu, přehozené barvy buněk v tabulce 6.5 poukazujících na shodu/neshodu s literaturou, chybějící jednotky u EEG parametrů (jak v grafech, tabulkách, tak v textu). Při odvození parametrů pro různé kanály EEG vzniklo velké množství tabulek, které student v práci uvádí. Interpretace získaných hodnot však není uspokojivá. Konkrétně chybí jasné závěry o specifických projevech relaxace a mentální zátěže v různých rytmech EEG pocházejících z různých oddílů mozku. V závěru student zmiňuje konkrétní hodnoty úspěšnosti roztřídění osob do kategorií „klid“ a „zátěž“, avšak samotné třídění provedeno nebylo. Očividně i zde se jedná o výstupy původní práce, které však byly oponentem i vedoucím vyhodnoceny jako chybné. Z odevzdaného kódu lze jen stěží hodnotit schopnost studenta implementovat vybrané metody a efektivně pracovat s daty. Pro realizaci výpočtů nakonec využil několik málo dostupných funkcí Matlabu a ukázkový kód z přílohy čítá cca 20 řádků s triviálními opakujícími se příkazy. Řešení tak stále nedosahuje úrovně, která je očekávaná od závěrečné bakalářské práce absolventa technického oboru. Práci proto hodnotím stupněm F/48 b.
eVSKP id 128851